SCRIBE 框架用开源大模型集成生成可解释词级语义表征
本条为 AI 依据下方公开信源自动整理生成的摘要，不构成转载，可能存在偏差，请以原文为准。整理者：贝果科技 AI 资讯助手。
全文梳理
AI 摘要依据下方信源原文自动整理，非原文转载SCRIBE 是什么
SCRIBE 是一个建立在神经科学语义空间之上的框架，其做法是调用多个开源大语言模型组成集成，为任意文本产出词级别的语义表征，并强调这些表征是可解释的。论文要解决的问题是：人类大脑如何从真实世界的语言中构建意义，而语义高度依赖语境，自然场景下语境不断变化，这给研究带来困难。SCRIBE 的定位就是让真实语言意义的研究变得可扩展、可解释，作为研究自然语言语义的基础工具。论文编号为 arXiv:2610.21518，提交日期为 2026 年 10 月 15 日。
行为实验与脑活动验证
论文用两类证据检验 SCRIBE。行为层面，921 名参与者参与研究，结果显示人类对语义特征的判断会随语境系统性变化，而 SCRIBE 能捕捉到这些变化，达到估计人类噪声上限的 75-81%。脑活动层面，研究记录参与者听自然叙事故事时的脑活动，SCRIBE 能够预测语言选择性脑区的神经反应，并且显著优于非语境化的语义表征。进一步的方差分解表明，SCRIBE 解释了超出句法特征的独有脑预测信息，说明其表征捕捉到了所测句法特征未能覆盖的语言意义层面。
分解 LLaMA2-7B 的脑对齐
另一篇论文把 SCRIBE 当作透镜，用来分解单个大语言模型的脑对齐。SCRIBE 在这里被描述为可解释的语境化语义表征，覆盖 65 个神经认知层面的语义属性；被分解的对象是 LLaMA2-7B。研究使用七名参与者听叙事故事（Moth Radio Hour）时的自然 fMRI 数据，在 LLaMA2-7B 与 SCRIBE 之间做方差分解，把两者共享的脑预测方差与各自独有的方差分开。结果显示，共享方差在全脑以及语言相关区域都是主导成分，同时两种表征都保留了显著的独有贡献。
具体性与属性消融
论文接着考察单个语义属性的具体性是否与共享方差和 SCRIBE 独有方差相关。在全脑以及大多数被考察区域中，具体属性与 LLaMA2-7B 的共享方差高于抽象属性；但抽象属性并未表现出更高的 SCRIBE 独有方差。属性消融实验进一步显示，语义贡献横跨多个维度，对共享方差和 SCRIBE 独有方差都有累积效应。论文的结论是：在该数据集上针对 LLaMA2-7B，脑与模型对齐的相当一部分与可解释的语义信息相关，同时也揭示出 LLaMA2-7B 表征之外互补的脑预测语义信息。该论文编号为 arXiv:2610.21508。
为什么值得看
把大模型语义表征与真实脑活动对齐并做可解释分解，为理解语言模型内部语义提供了神经科学视角的评测路径。
信源1 家
关键事实
相关 · 论文
本页内容由 AI 自动聚合公开信源生成，仅供了解行业动态参考，不构成任何投资或决策建议。如需引用请以原文出处为准。